凡科网站建设教学视频,中国拟在建项目网,广平网站建设,凡科做网站需要备案吗找出性价比较高的车 LabelEncoder: python:sklearn标签编码(LabelEncoder) sklearn.preprocessing.LabelEncoder的使用#xff1a;在训练模型之前#xff0c;通常都要对数据进行一定得处理。将类别编号是一种常用的处理方法#xff0c;比如把类别“电脑”#xff0c;“手机…找出性价比较高的车 LabelEncoder: python:sklearn标签编码(LabelEncoder) sklearn.preprocessing.LabelEncoder的使用在训练模型之前通常都要对数据进行一定得处理。将类别编号是一种常用的处理方法比如把类别“电脑”“手机”编号为0和1可使用LabelEncoder函数。 作用: 将n个类别编码为0~n-1之间的整数(包括0和n-1) 找出聚类种类最佳参数
sse []
ss []
for k in range(2,11):kmeans KMeans(n_clusters k)kmeans.fit(train_x)sse.append(kmeans.inertia_)ss.append(silhouette_score(train_x,kmeans.predict(train_x)))
kmean 聚类算法模型
kmeans KMeans(n_clusters8)
kmeans.fit(train_x)
predict_y kmeans.predict(train_x) # 预测 汽车产品聚类分析综合项目实战
现在人们购车成为稀松平常你的第一辆车是什么品牌你打算什么时候更换车辆汽车品牌多如牛毛使用数据分析相关知识点使用机器学习中的聚类算法进行建模从而对根据汽车相关属性对汽车进行类别划分帮你选好车熟悉算法建模业务流程掌握机器学习建模的思想和基本操作。
数据加载数值编码化归一化操作Kmeans算法参数筛选分层聚类使用DBSCAN算法使用对比不同算法效果
1 导入模块
# 使用 KMeans 进行聚类导入库
from sklearn.cluster import KMeans # 聚类算法
from sklearn.metrics import silhouette_score
import matplotlib.pyplot as plt
# 预处理
from sklearn import preprocessing # 归一化
from sklearn.preprocessing import LabelEncoder # 标签编码
import pandas as pd
# 矩阵运算
import numpy as np
2 数据加载
data pd.read_csv(./car_price.csv)
data.shape # (205, 26) 3 去除无效数据
train_X data.drop([car_ID,CarName],axis 1)
train_X.shape # 205, 24
4 特征工程将属性转换为数值
# 将非数值特征转换为数值
le LabelEncoder()
colums [fueltype,aspiration,doornumber,carbody,drivewheel,enginelocation,enginetype,cylindernumber,fuelsystem]
for column in colums:# 训练并将标签转换为归一化的代码train_X[column] le.fit_transform(train_X[column])
train_X 5 归一化
# 规范化到[0,1] 空间
min_max_scaler preprocessing.MinMaxScaler()
# MinMaxscaler( )将每个要素缩放到给定范围怡合数据然后进行转换
train_x min_max_scaler.fit_transform(train_X)
train_x 6 聚类参数选择
6.1 显示所有系统字体
# 查找自己电脑的字体从中选择
# 本电脑上选择的STKaiti
from matplotlib.font_manager import FontManager
fm FontManager()
[font.name for font in fm.ttflist] 6.2 字体设置
plt.rcParams[font.family] STKaiti
plt.rcParams[font.size] 20
6.3 SSE(簇惯性)
sse []
ss []
for k in range(2,11):kmeans KMeans(n_clusters k)kmeans.fit(train_x)sse.append(kmeans.inertia_)ss.append(silhouette_score(train_x,kmeans.predict(train_x)))plt.figure(figsize(16,6))
x range(2,11)
plt.subplot(1,2,1)
plt.plot(x,sse,o-)
plt.xlabel(K)
plt.ylabel(SSE簇惯性)plt.subplot(1,2,2)
plt.plot(x,ss,r*-)
plt.xlabel(K)
plt.ylabel(轮廓系数)
plt.savefig(./1-聚类簇数.png,dpi 200) 6.4 聚类运算
kmeans KMeans(n_clusters8)
kmeans.fit(train_x)# 预测
predict_y kmeans.predict(train_x)
predict_y 7 结果分析
7.1 结果合并
result pd.concat((data,pd.DataFrame(predict_y)),axis 1)result.rename({0:u聚类结果},axis 1,inplace True)
result # 分组运算
g1 result.groupby(by [聚类结果,carbody])[[price]].mean()
g1 g2 g1.unstack() # 数据重塑
g2 g2.sort_values(by (price,sedan)) 7.2 低端轿车聚类结果
# 查看类别是1的标准三厢车具体根据分组运算结果确定
cond result.apply(lambda x : x[聚类结果] 4 and sedan in x[carbody] ,axis 1)
columns [CarName,wheelbase,price,horsepower,carbody,fueltype,聚类结果]
# 价格降序排名
result[cond][columns].sort_values(price,ascending False) 7.3 高端轿车聚类结果
# 根据条件售价筛选高端轿车三厢车
cond result.apply(lambda x : x[聚类结果] 7 and sedan in x[carbody], axis 1)
columns [CarName,wheelbase,price,horsepower,carbody,fueltype,聚类结果]
# 价格降序排名
result[cond][columns].sort_values(price,ascending False) 7.4 中端 SUV聚类结果
cond result.apply(lambda x : x[聚类结果] 2 and wagon in x[carbody], axis 1)
columns [CarName,wheelbase,price,horsepower,carbody,fueltype,聚类结果]
# 价格降序排名
result[cond][columns].sort_values(price,ascending False)
